智能体的记忆不是开关，而是剂量：HF 跨 8 模型评测给出三条规律

Hugging Face 博客近日发表了一篇关于「智能体记忆该给多少」的研究文章，作者团队用自家提出的 ALTK-Evolve 方案，在 8 个不同体量的模型上系统比较了「全量注入」与「按需检索」两种记忆策略。结果显示，Agent 的记忆并非「开就比关强」，而是需要按模型能力精确调节剂量。

ALTK-Evolve 的工作机制

ALTK-Evolve 是一种围绕模型外部运行的「记忆学习回路」，核心思路是不动模型权重，而是从 Agent 自身的过往轨迹中提炼可复用的策略指南，并在推理时回灌到上下文里。具体流程分四步：

• Agent 执行任务，产出完整轨迹；
• 系统同时从成功与失败轨迹中抽取行为准则；
• 将零散准则整合为一份可复用的「指南集」；
• 推理时，要么全量注入，要么按任务检索相关子集。

由于全程不更新参数、不依赖人工标注，这种方案天然具备跨模型可移植性，团队也据此在 8 个模型上完成了横向评测。

评测设置：AppWorld 上的三种记忆配置

评测基准是 AppWorld，包含 585 个多步骤任务（test_normal 168 个、test_challenge 417 个），覆盖 9 个模拟应用（如日历、消息、支付等）。评分采用两个指标：TGC（任务目标完成率）和更严格的 SGC（场景目标完成率，要求任务所有变体全部通过）。

文章把记忆配置明确定义为三种，方便横向对比：

• Baseline：原模型，无任何记忆注入；
• Full guideline set：每次 ReAct 步骤都注入全部已提炼的指南；
• Curated retrieval：在同一份指南集基础上，仅注入一个固定的高置信度「核心集」，再叠加少量按任务检索出的相关条目。

值得注意的是，两种记忆配置使用的是同一份指南，且仅由 AppWorld 的训练集轨迹提炼而成，测试集数据未参与构建，确保了评测的公平性。

三条跨模型规律

跨 8 个模型的评测提炼出三种典型模式：

• 强模型且仍有提升空间时，全量注入效果最佳。DeepSeek-V3.2（671B MoE）使用完整指南集后，TGC 提升约 +9.5 个百分点。
• 较弱或较小模型会被大量指南「淹没」，应改用精选核心 + 按任务检索。gpt-oss-120b（117B MoE）采用此策略后 TGC 提升 +16.1pp，同时只多花约 +5% 的 token；相比之下，全量注入收益更低且多消耗约 50% token。
• 已经接近能力上限的「饱和型」模型加入记忆后无明显增益。GLM-5（745B MoE）即属此类，作者也指出这可能源于「已在这些任务上触顶」「指南未覆盖其剩余失败」「未能有效应用指南」等多种原因，仍待后续分离验证。

作者特别强调，决定一个模型落在哪类模式并非单纯看参数规模，benchmark 余量、上下文窗口、架构、指南质量与任务分布都可能塑造其表现，相关解耦工作仍在进行。

实用含义

文章给出的工程结论非常直接：记忆是剂量问题，不是开关问题。强模型要喂全，弱模型要精选，饱和模型不必硬塞。配合 prompt caching，即便全量注入方案在生产环境中的成本也可控。这意味着落地 Agent 时，与其追求「越多越好」的记忆堆叠，不如先诊断模型当前所处的模式，再选择匹配的记忆注入策略。